[scrapy] scarpy+xpath与css：抓取页面内容

曾经终败给现在 2022-03-21 14:20 229阅读 0赞

### 文章目录 ###

*  常用方法
 *   *  css
     *  xpath
     *  python
 *  css
 *   *  css选择器
     *  举例
 *  xpath
 *   *  语法
     *  示例
 *  错误合集
 *  在scrapy中使用xpath、css

# 常用方法 #

## css ##

::text  //提取出文本
    ::attr(href) //属性有href

## xpath ##

# text()获取文本内容
    "/..../text()"  #获得文本内容
    # contains(属性，属性值) 包含
    "//span[ contains(@class, 'vote-post-up') ]" #class中包含了vote-post-up的span

## python ##

# 【使用xpath】
    response.xpath(xpath的字符串) #进行xpath提取元素，返回selector
    
    # 【selector】
    re_selector.extract() #提取data，返回list
    	# 对selector进行extract操作之后就变成了数组，不能再二次提取了
    re_selector.extract_first("") #提取data的第一个，如果没有取到，返回函数的第一个参数""(空)
    
    # 【list】
    tag_list = [element for element in tag_list if not element.strip().endwith("评论")] 
    	#去除list中以"评论"为结尾的元素
    	
    # 【string】
    string.strip() #去掉空格
    string.replace(目标字符, 替换字符) #替换字符
    tags = ",".join(tag_list)
    	#将list用","连接成一个字符串

# css #

## css选择器 ##

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>*</code></td> 
   <td>所有节点</td> 
  </tr> 
  <tr> 
   <td><code>#container</code></td> 
   <td>id为container的节点</td> 
  </tr> 
  <tr> 
   <td><code>.container</code></td> 
   <td>class包含container的节点</td> 
  </tr> 
  <tr> 
   <td><code>li a</code></td> 
   <td>li下的所有a节点</td> 
  </tr> 
  <tr> 
   <td><code>ul + p</code></td> 
   <td>ul后面的第一个p元素</td> 
  </tr> 
  <tr> 
   <td><code>div#container &gt; ul</code></td> 
   <td>id为container的div的第一个ul子元素</td> 
  </tr> 
  <tr> 
   <td><code>ul ~ p</code></td> 
   <td>与ul相邻的所有p元素</td> 
  </tr> 
  <tr> 
   <td><code>a[title]</code></td> 
   <td>所有有title属性的a元素</td> 
  </tr> 
  <tr> 
   <td><code>a[href="http://jobbole.com"]</code></td> 
   <td>所有属性为jobbole.com值的a元素</td> 
  </tr> 
  <tr> 
   <td><code>a[href*="jobole"]</code></td> 
   <td>所有href属性包含jobbole的a元素</td> 
  </tr> 
  <tr> 
   <td><code>a[href^="http"]</code></td> 
   <td>所有href属性值以http开头的a元素</td> 
  </tr> 
  <tr> 
   <td><code>a[href$=".jpg"]</code></td> 
   <td>所有href属性值以.jpg结尾的a元素</td> 
  </tr> 
  <tr> 
   <td><code>input[type=radio]:checked</code></td> 
   <td>选中的radio的元素</td> 
  </tr> 
  <tr> 
   <td><code>div:not(#container)</code></td> 
   <td>id非container的div属性</td> 
  </tr> 
  <tr> 
   <td><code>li:nth-child(3)</code></td> 
   <td>第三个li元素</td> 
  </tr> 
  <tr> 
   <td><code>tr:nth-child(2n)</code></td> 
   <td>偶数个tr</td> 
  </tr> 
 </tbody> 
</table>

## 举例 ##

# 【网址】http://blog.jobbole.com/all-posts/
    post_nodes = response.css("#archive .floated-thumb .post-thumb a")
    for post_node in post_nodes:
        image_url = post_node.css("img::attr(src)").extract_first("")
        post_url = post_node.css("::attr(href)").extract_first("")
        yield Request(url=parse.urljoin(response.url, post_url), meta={ "front_image_url":image_url}, callback=self.parse_detail)
    
    # 【网址】http://blog.jobbole.com/114641/
    #提取下一页并交给scrapy进行下载
    next_url = response.css(".next.page-numbers::attr(href)").extract_first("")
    if next_url:
        yield Request(url=parse.urljoin(response.url, post_url), callback=self.parse)
    
    title = response.xpath('//div[@class="entry-header"]/h1/text()').extract_first("")
    create_date = response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()[0].strip().replace("·","").strip()
    praise_nums = response.xpath("//span[contains(@class, 'vote-post-up')]/h10/text()").extract()[0]
    fav_nums = response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").extract()[0]
    match_re = re.match(".*?(\d+).*", fav_nums)
    if match_re:
        fav_nums = match_re.group(1)
    
    comment_nums = response.xpath("//a[@href='#article-comment']/span/text()").extract()[0]
    match_re = re.match(".*?(\d+).*", comment_nums)
    if match_re:
        comment_nums = match_re.group(1)
    
    content = response.xpath("//div[@class='entry']").extract()[0]
    
    tag_list = response.xpath("//p[@class='entry-meta-hide-on-mobile']/a/text()").extract()
    tag_list = [element for element in tag_list if not element.strip().endswith("评论")]
    tags = ",".join(tag_list)

# xpath #

【xpath】

1.  xpath使用路径表达式在xml和html中进行导航
2.  xpath包含标准函数库
3.  xpath是一个w3c的标准

## 语法 ##

【语法】

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>article</code></td> 
   <td>选取所有article元素的所有子节点</td> 
  </tr> 
  <tr> 
   <td><code>/article</code></td> 
   <td>选取根元素article</td> 
  </tr> 
  <tr> 
   <td><code>article/a</code></td> 
   <td>选取所有属于article的子元素的a元素</td> 
  </tr> 
  <tr> 
   <td><code>//div</code></td> 
   <td>选取所有div子元素（无论出现在文档任何地方）</td> 
  </tr> 
  <tr> 
   <td><code>article//div</code></td> 
   <td>选取所有属于article元素的后代的div元素，不管它出现在article之下的任何位置</td> 
  </tr> 
  <tr> 
   <td><code>//@class</code></td> 
   <td>选取所有名为class的属性</td> 
  </tr> 
  <tr> 
   <td><code>/div/*</code></td> 
   <td>div的所有子节点</td> 
  </tr> 
  <tr> 
   <td><code>//*</code></td> 
   <td>所有元素</td> 
  </tr> 
  <tr> 
   <td><code>//div[@*]</code></td> 
   <td>所有带属性的title元素</td> 
  </tr> 
  <tr> 
   <td><code>/div/a | //div/p</code></td> 
   <td>所有div元素的a和p元素</td> 
  </tr> 
  <tr> 
   <td><code>//span | //ul</code></td> 
   <td>文档中的span和ul元素</td> 
  </tr> 
  <tr> 
   <td><code>article/div/p | //span</code></td> 
   <td>article的div元素的p元素 以及 所有span元素</td> 
  </tr> 
 </tbody> 
</table>

【语法-谓语】

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>/article/div[1]</code></td> 
   <td>选取属于article子元素的第一个div元素</td> 
  </tr> 
  <tr> 
   <td><code>article/div[last() ]</code></td> 
   <td>选取属于article子元素的最后一个div元素</td> 
  </tr> 
  <tr> 
   <td><code>article/div[last()-1 ]</code></td> 
   <td>选取属于article子元素的倒数第二个div元素</td> 
  </tr> 
  <tr> 
   <td><code>//div[@lang]</code></td> 
   <td>选取所有拥有lang属性的div元素</td> 
  </tr> 
  <tr> 
   <td><code>//div[@lang='eng']</code></td> 
   <td>选取所有lang属性为eng的div元素</td> 
  </tr> 
 </tbody> 
</table>

## 示例 ##

# 【网址】http://blog.jobbole.com/114641/
    title = response.xpath('//div[@class="entry-header"]/h1/text()').extract_first("")
    create_date = response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()[0].strip().replace("·","").strip()
    praise_nums = response.xpath("//span[contains(@class, 'vote-post-up')]/h10/text()").extract()[0]
    fav_nums = response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").extract()[0]
    match_re = re.match(".*?(\d+).*", fav_nums)
    if match_re:
        fav_nums = match_re.group(1)
    
    comment_nums = response.xpath("//a[@href='#article-comment']/span/text()").extract()[0]
    match_re = re.match(".*?(\d+).*", comment_nums)
    if match_re:
        comment_nums = match_re.group(1)
    
    content = response.xpath("//div[@class='entry']").extract()[0]
    
    tag_list = response.xpath("//p[@class='entry-meta-hide-on-mobile']/a/text()").extract()
    tag_list = [element for element in tag_list if not element.strip().endswith("评论")]
    tags = ",".join(tag_list)

# 错误合集 #

【错误合集】

1.  根据xpath获取得到的内容错误  
    【原因】scrapy获取的request是网页的源码；但浏览器中查看的代码是浏览器解析后（运行js之后）的代码  
    【解决】尽量用id、class等方式进行定位

# 示例爬取网址
    start_urls = ['blog.jobbole.com/110287"] 
    # 爬取成功的回调函数
    def parse(self, response):
    	# 在火狐浏览器中复制出的xpath：选择失败，结果为空
    	re_selector = response.xpath( "/html/body/div[3]/div[3]/div[1]/div[1]/h1" )
    	# 在chrome中复制出的xpath：选择成功
    	re_selector = response.xpath( '//*[@id="post-110287"]/div[1]/h1' )
    		## 【错误原因】在浏览器中打开的源码，是浏览器中解析之后，运行js之后的；而我们所得的response只是一个HTTP的请求，没有运行js的。所以，它们可能是不一样的。
    	pass

# 在scrapy中使用xpath、css #

【在scrapy中使用xpath、css】

1.  使用`scrapy shell 网址`来调试代码，成功后加入parse()函数中进行处理
2.  使用

# 示例爬取网址
    start_urls = ['blog.jobbole.com/110287"] 
    # 爬取成功的回调函数
    def parse(self, response):
    	re_selector = response.xpath( '//*[@id="post-110287"]/div[1]/h1' )
    	re_selector.extract()[0] #提取selector中的data
    	pass